上消化道内镜人工智能系统临床应用专家共识（2023武汉）

上消化道内镜人工智能系统临床应用专家共识(2023,武汉)【提要】食管胃十二指肠内镜(esophagogastr相关共识。2023年中华医学会消化内镜学分会组织全国领域内权威专家讨论，胃异常病灶识别等方面的13条推荐意见陈述，以及EGD人工智能系统临床应用食管癌和胃癌是严重危害我国患者生命健康的重大疾病[1],早诊早治是改善其预后及生活质量的主要策略[2-3]。此外，消化道癌前病变如萎缩性胃食管胃十二指肠内镜(esophagogastroduodenoscope,EGD)是诊断上消化诊率居高不下、非肿瘤性病变诊断一致性差等问题。程树红等[4]分析93例早期胃癌数据，发现早期胃癌漏诊率高达37.63%;赵书阳等[5]分析297例反复而常规EGD检查漏诊了其中的98例，漏诊率近50%,即使在应用放大染色内镜后漏诊率仍有6%。另有一项研究收集370例病理证实胃癌前病变患者，发现上述患者EGD下漏诊或可疑漏诊率达31.67%[6]。据调查，我国2012年有超过6000家医疗机构开展消化内镜诊疗，全年开展消化内镜诊疗接近3000万例，而消化内镜医师不足3万人，占全部注册执业医师的1%,每100万人口拥有消化内镜医师不足20人[7]。随着技术的快速推广和人民群众健康需求的提升，尽人工智能(artificialintelligence,AI)技术是指模拟人类智慧的技术领域广泛应用[8]。深度学习技术是AI的分支，在图像识别任务中具有较强能验，收效显著,引发国内外专家学者对AI进入真实医疗环境的讨论和思考，并提出众多积极的建议和展望。AI设备引入临床已是大势所趋。本共识旨在综合本共识基于PICO(participants,interventions,comparisons,outcomes)原则提出陈述意见[9],参考GRADE(gradingofrecommendations,assessment,development,andevaluation)系统对证据质量(表1)和推荐强度(表2)进行分级[10]。采用改良Delphi方法由专家投票表决达成共识： (1)完全同意；(2)同意，有较小保留意见；(3)同意，有较大保留意见； (4)不同意。投票表决意见中(1)+(2)比例>80%属于达成共识，共识水平以表决意见中的(1)+(2)比例表示。最终，本共识最终达成80%以上共识水平的推荐意见共13项(表3)。A非常确信估计的效应值接近真实效应值，进一步研究也中等质量B对估计的效应值确信度中等，其有可能接近真实效应值，进一步研究有可能C对估计的效应值确信度有限，其与真实效应值可能大不相同，进一步研究极有可能D对估计的效应值几乎没有信心，其与真实效应值很可能完全不同，对其的任何估表2推荐强度分级明确显示干预措施利大于弊或者弊大于利，在大多数情况下适用于大多数患者利弊不确定，或无论质量高低证据均显示利弊适当，适用于很多患者，但根据患者价值观与证据推荐陈述1:对于需要接受EGD检查的患者，推荐将Al辅助EA强陈述2:对于需要接受EGD检查的患者，推荐将AIA强C强C强陈述5:对怀疑早期食管鳞状细胞癌或早期食管腺癌的患者，C强陈述6:对于未获得病理浸润深度的早期食管癌患者，建议在AI辅助下预测是否发生黏膜下200μm以上的浸润C强陈述7:对于肝硬化患者，推荐临床使用Al辅助内镜下食管胃静脉曲张识别C强陈述8:对于确诊食管胃静脉曲张的患者，推荐使用AI辅助内C强C强C强B强陈述12:对于怀疑早期胃癌并需要接受内镜黏膜下剥离术或行组织学活检的患者，建C强陈述13:可解释性AI模型性能和医师接受度优于传统AI模型，推荐优C强一、EGDAl辅助系统功能拔管，对食管、胃和十二指肠的观察时间[11-12]。为了保证EGD的检查质量，近年来，基于深度学习的AI技术不断发展，并在医学图像识别领域取得重大进展，其图像处理与识别的高效性有助于AI技术在胃肠内镜质量控制中的应用，可实现低成本、高效率的EGD检查时间监测。Yu等[14]和Wu等[15]均通过构建深度学习模型实现了EGD检查过程中准确实时地识别解剖位置并记录EGD检查时间。Wu等[15]构建的深度学习模型在107个真实EGD视频中正确预(二)AI辅助盲区监测陈述2:对于需要接受EGD检查的患者，推荐将AI辅助盲区监测作为质量降低肿瘤漏诊率[13,16-17]。受限于内镜医师操作水平和对解剖部位的认知析，目前AI在EGD检查中部位识别、减少检查盲区有了较大进展[18-20]。2018年Takiyama等[18]构建基于深度卷积神经网络的部位识别系统，共纳入27335张EGD白光图片，将上消化道分为喉、食管、胃和十二指肠，其中胃又分为上部、中部和下部，然后用17081张图片验证系统自动识别上消化道各个解剖部位的整体准南[13]和日本EGD系统筛查方案[21],将上消化道分为26个部位，并实现以评价WISENSE对EGD检查质量的影响[15]。该研究共招募324例EGD检查患者(WISENSE辅助组153例，对照组150例),WISENSE辅助组的盲区率显著低于对照组(5.86%比22.46%,P<0.001)。随后，为验证该模型在不同EGD检查类型中的效果，该团队完成了一项3组随机平行对照研究，结果显示，AI辅助46,P<0.001;超细EGD组：21.77%比29.92%,P<0.001;常规EGD组：31.23%比42.46%,P<0.001)[22]。此外，多中心随机对照研究的结果再次验证了A(三)AI辅助食管异常病灶识别陈述3:推荐在EGD检查中使用AI实时辅助发现食管异常病灶。(证据质食管胃黏膜异位和静脉瘤等)。我国每年因食管癌死亡人数超过10万[24]。我国食管癌以鳞状细胞癌为主要病理类型，占比超过90%[25-27],以巴雷特变及早期癌病变黏膜改变轻微，诊断困难。因此，利用AI辅助检出早期食管癌及其癌前病变具有重要意义[28]。Guo等[29]进行多中心的样本收集，使用AI检测癌前病变及早期食管鳞模型在图像测试中的灵敏度为98.04%,特异度为95.03%。Liu等[30]进行多中心的样本收集，构建AI模型在白光下检测早期食管鳞状细胞癌。其模型在内部和外部图像测试中检测早期食管鳞状细胞癌的准确率分别为85.7%和84.5%。为了进一步拓展图像模态，Yuan等[31]使用AI在白光内镜、碘染、放大内镜光成像(narrow-bandimaging,NBI)多种内镜成像模式下检测早期食管鳞状管鳞状细胞癌的准确率、灵敏度和特异度分别为82%、90%和74%;在NBI或碘染下识别食管鳞状细胞癌的准确率、灵敏度和特异度分别为86%、93%和80%,与经Pan等[32]利用白光、NBI图像开发了两个全卷积神经网络分别分割胃食管交界处和鳞柱状交界处，交并比(IoU)分别为0.56和0.82,该方法优于使等[33]使用AI同时检测食管鳞状细胞癌和食管腺癌，该模型灵敏度为98%,(四)AI辅助巴雷特食管测量和评分率(0.25%)显著高于巴雷特食管<3cm的患者(0.07%)[34]。因此，指南建议根据巴雷特食管长度确定监测间隔[35-36]。布拉格C&M分类基于内镜下可见的食管柱状黏膜的整个环状上移的长度(C)和上移最大长度(M)对巴雷特食分层工具[35-37]。Ali等[38]利用白光、NBI图像训练AI模型进行巴雷特食管范围测量，视频测试中，C和M以及岛状黏膜测量平均精度97.2%,边界平均偏差为±0.9mm,而巴雷特食管上皮测量精度98.4%,与真实值平均偏差仅为±0.4cm2,系统提供的C和M测量值与专家评分一致，C和M评分的边界总体相对误差(平均差)分别为8%(3.6mm)和7%(2.8mm)。(五)AI辅助早期食管癌诊断陈述5:对怀疑早期食管鳞状细胞癌或早期食管腺癌的患者，均推荐使用A大幅度改善患者预后[39-40]。然而由于早期食管癌病变范围较小，内镜下形管癌容易漏诊[41]。Ohmori等[42]进行了一项单中心、回顾性的临床试验，使用AI在不同内镜成像下对食管鳞状细胞癌与食管炎、血管异常、轻度色素沉timaging,BLI)图像测试中的灵敏度、特异度和准确率分别为100%、63%和77%,在白光中的灵敏度、特异度和准确率分别为90%、76%和81%,在ME-NBI及BLI中的灵敏度、特异度和准确率分别为98%、56%和77%。Tang等[43]、Cai等[44]以及Li等[45]均对早期食管鳞状细胞癌与非癌鉴别诊断功能进行显著升高。Liu等[30]进行了一项多中心临床试验，在白光下使用AI检测和描绘早期食管鳞状细胞癌的边界，AI模型、高级内镜医师(拥有>4年内镜操作经验)和专家内镜医师(拥有>8年内镜操作经验)划定边界的准确率分别为98.1%、78.6%和95.3%,AI模型与内镜专家的性能相似，优于高级内镜医师。在巴雷特食管患者内镜筛查和监测过程中，西雅图活检方案建议每1~2cm进行1次四象限活检。然而，采样误差可能会限制其灵敏度雷特食管黏膜内的小区域癌症或不典型增生[46-47]。此外，食管腺癌或不典常常未对长节段巴雷特食管进行广泛活检，亦增加癌症漏诊的风险[48]。vanderSommen等[49]基于44例巴雷特食管患者的100张图像开发了一种用于检异度均为0.83,在以患者为单位的测试集中，灵敏度和特异度分别为0.86和0.87。deGroof等[50]前瞻性收集40例肿瘤性巴雷特食管病变和20例无不典度分别为92%、95%和85%,识别正确的案例中，89.5%案例模型标记区域位于专家标注范围内。deGroof等[51]进行了一项多中心、回顾性的临床研究，基于5个白光数据集训练并验证了一个计算机辅助检测(computer-aideddetec分别在两个数据集(数据集4,数据集5)中进行图像外部验证，在数据集4中准确率为89%,灵敏度为90%,特异度为88%。在数据集5中，CAD系统与普通内镜医师的准确率分别为88%和73%,灵敏度为93%和72%,特异度为83%和74%。CAD系统准确率优于所有53名非专家内镜医师。数据集4和5中，CAD系统检测的肿瘤区域与专家识别的区域均重叠。CAD系统在97%(数据集4)和92%(数据集5)的病例中检测到了肿瘤活检的最佳部位。deGroof等[52]在另一项单(六)AI辅助食管癌浸润深度预测陈述6:对于未获得病理浸润深度的早期食管癌患者，建议在AI辅助下预淋巴结肿大的情况下推荐行内镜切除术，而浸润至黏膜下200μm以上(的食管癌患者应进行外科手术治疗[53-54]。因此，准确预测食管癌浸润深度Tokai等[55]基于白光内镜收集日本肿瘤研究所1751例食管鳞状细胞癌患者的内镜图像构建AI模型，用于判断浸润深度。该模型对食管鳞状细胞癌浸润深度的预测准确率为80.9%,准确率评分超过92%的内镜医师。Uema等[56]和Nakagawa等[57]构建的AI系统区分SM1和SM2~3的食管鳞状细胞癌的灵敏度为90.1%,特异度为95.8%,准确率为91.0%,与经验丰富内镜医师的性能相当。对于食管腺癌的患者，Ebigbo等[58]利用多中心、回顾性收集的巴雷特食管相关食管癌的白光图像构建浸润深度分型模型，AI区分黏膜癌和黏膜下癌的准确率、灵敏度和特异度分别为71%、77%和64%,表现出与内镜专家相似的诊(七)AI辅助食管胃静脉曲张识别陈述7:对于肝硬化患者，推荐临床使用AI辅助内镜下食管胃静脉曲张识食管胃静脉曲张破裂出血是肝硬化的严重并发症，8伴有食管胃静脉曲张[59]。内镜检查仍是诊断食管胃静脉曲张、预测2年内出进行危险分级[60]。Chen等[61]构建了基于深度学习的食管胃静脉曲张识别模型，该模型由来自2家医院2000余例患者的上万张白光图片训练而成。在人机比赛中，模型识别食管、胃底静脉曲张的准确率分别为97%和92%,显著优于内镜医师。在多中心视频测试集中，模型的准确率也达到97%和91%,证明模型鲁棒性较好。Ding等[62]开发了一个基于深度学习诊断食管胃静脉曲张的系统，该系统在506张图像的数据集中的灵敏度为80.54%。Wang等[63]使用来自3家医院的6000余张图片训练静脉曲张分割模型，模型分割静脉曲张的交并比达到0.8以上。(八)AI辅助食管胃静脉曲张严重程度分级陈述8:对于确诊食管胃静脉曲张的患者，推荐使用AI辅助内镜下严重程食管胃静脉曲张内镜下风险分层决定接下来1~2年内患者需要接受的治疗，美国肝脏病协会和欧洲胃肠内镜学会指南建议Form1级静脉曲张伴有红色征或Child-pughC级，或Form2~3级静脉曲张的肝硬化患者应该接受预防治疗，其他患者需要继续随访[64-65]。多项研究都证实内镜下危险因素对预测患者2Chen等[61]构建了基于深度学习的静脉曲张风险因素识别模型，该模型能够识别静脉曲张的尺寸、Form分级、红色征等。根据风险因素得出相应的治Child-PughC级；(2)随访：无红色征或红斑的小静脉曲张；(3)无需治疗：当(93.33%比88.17%),识别红色征的灵敏度与特异度均高于内镜医师(85.11%比81.34%,P<0.01;83.33%比63.06%,P<0.01);模型识别胃底大尺寸静脉的灵敏度与内镜医师接近(90.00%比93.33%),识别红斑的灵敏度与内镜医师相似(84.62%比85.71%),但特异度显著高于内镜医师(84.09%比57.89%,P<0.001)。Wang等[63]训练静脉曲张Form分级及红色征分割分级模型，在前瞻性观察性研究中，模型对食管胃静脉曲张Form分级(94.57%比75.97%,P<0.001)与红色征分割分级准确率(94.62%比66.92%,P<0.001)都显著优于内镜医师。在识别胃静脉曲张红色征方面，模型准确率也显著优于内镜医师(95.76%优于内镜医师(94.92%比69.49%,P<0.001)。Wang等[63]还使用自动训练平台构建集成内镜图片与临床特征的模型，预测患者12个月后的食管胃静脉曲张出血情况，在测试集中模型准确率为0.93(九)AI辅助胃异常病灶识别陈述9:建议在常规EGD检查中使用AI实时辅助发现胃异常病灶。(证据癌前状态(萎缩和肠化)、胃癌及其癌前病变(低级别上皮内瘤变和高级别上皮病率和死亡率均极高的疾病。全世界每年约有99万人被诊断为胃癌，其中约有73.8万人死于胃癌[66]。胃癌的五年生存率约为20%,而早期胃癌的五年生存率可达90%[67]。然而，我国各地区医疗资源和内镜医师的水平存在较大差异，危病灶在内镜筛查后未进行进一步检查，导致早期胃癌漏诊率高达20%~40%[68-69]。利用AI系统可实时辅助内镜医师在EGD下识别异常病灶，有望提高胃早期发现和切除息肉对于预防胃癌至关重要[70-71]。Durak等[72]开肉模型检测方法，准确率为98.34%,灵敏度为98.67%,特异度为98.23%。癌发病率为0.7%~10%,肠化患者为5.3%~9.8%[74]。Xu等[75]构建基于染色放大内镜诊断胃癌前病变的AI系统，该系统在前瞻性视0.898。在检测胃萎缩(0.869比0.846)和肠上皮化生(0.888比0.820)方面Wu等[76]开发深度学习系统用于检测白光下胃内异常病灶，并对其中的灵敏度为92.8%,诊断胃内高风险病变(即可疑肿瘤性病变)的灵敏度为91.8%,特异度为92.4%。Wu等[77]基于该系统进一步开展随机对照串联临床试验，该试验将患者随机分至AI优先组(先AI辅助检查，后常规检查)和常规优先组(先常规检查，后AI辅助检查),并在第二次检查结束时对所有检测到的高风险病变进行靶向活检。该试验中907例患者被随机分配到AI优先组，905例患者被随机分配到常规优先组，AI优先组的肿瘤性病变漏诊率明显低于常规组(6.1%比27.3%)。(十)AI辅助胃炎诊断到肠上皮化生，再发展为不典型增生和肿瘤[78]。许多胃癌都伴有胃黏膜长期可以防止病情进一步恶化，降低胃癌风险。HP的长期感染导致胃腺体进行性破特征的主观性强，研究表明白光下诊断HP胃炎的准确率约为70%[80-81],对AG的内镜诊断准确率也仅为46.8%[82],严重依赖内镜医师的经验水平。Zhang等[83]使用特征提取方法，开发了一个基于9个内镜黏膜特征的HP感染相关的胃炎诊断系统，该系统识别HP感染的灵敏度、特异度和准确率分别为89.6%、61.8%和74.8%,诊断准确率与内镜医师相当。Seo等[84]使用多种族内部数据集和外部数据集验证所构建的HP感染内国裔内部集、非韩国裔内部集和外部集的准确率分别为94%、88%和87%。Li等 [85]构建的AI系统在10例内镜视频中诊断HP感染的总体准确率与专家相似 (84%比83.6%),在191例前瞻性连续患者中的准确率、灵敏度和特异度分别为85.3%、83.3%和85.8%。Mu等[86]建立一套白光下胃炎分类系统，收集常见胃炎、其他胃炎和非胃炎的8141张白光图像，分类AG与非AG糜烂与出血的准确率在视频测试集上分别为95.00%、92.86%、94.74%。Lin等[87]收集来自中国14家医院2741例患者的7037张白光图片，开发AG自动识别模型，该模型诊断AG受试者工作特征曲线下面积为0.98,准确率为96.4%,而3名内镜医师的诊断准确率仅为58.9%~70.6%。Yang等[88]建立包含21420张白光和联动成像内镜图片的数据集训练一个提取关键视觉特征的模型，该模型对AG的诊断准确率高达95.06%,显著高于5名医师的诊断水平 有主观性、不确定性，导致医师间一致性较差[93,98]。许多研究证实AI在辅助诊断早期胃癌方面具有巨大潜力，但多数AI模型为“黑匣子”模型，仅输示给内镜医师，这极大地限制AI模型在早期胃癌诊断中的应用[99]。在可解释性早期胃癌诊断方面，Li等[100]基于定量分析、深度学习和机器学习，并结合特征提取使用692例患者的1897张染色放大内镜图片开发了早期胃癌可解释性AI模型。模型在图片测试集中的诊断准确率(88.76%)高于不可解释性深度学习模型(82.77%)和新手医师(71.63%),达到专家医师水平(88.95%)。模型在100个视频测试集中的诊断准确率(87.00%)高于不可解释性深度学习模型(68.00%),与内镜医师(89.00%)相当。在模型辅助下，新手内镜医师诊断准确率(87.45%)显著提高。与不可解释性深度学习模型相比，内镜AI模型诊断逻辑，可实现抽象理论具体化和AI模型诊断可解释性，提高医师诊Dong等[101]使用来自8家医院3279例患者的4482张白光图像296个局灶性视频(81.10%比70.61%)和外部视频测试集(88.24%比78.49%)中的诊断准确0.61%比79.63%)。此外，与不可解释性深度学习模型相比，内镜医师对具有可于观察微血管形态的不规则程度对浸润深度进行预测[101-102]。Zhao等[102]使用AI进行食管上皮乳头内毛细血管袢(intraepithelialpapillarycapillaryloop,IPCL)分类，AI7.6%,B2型93.9%)明显高于初级(B1型69.2%,B2型79.3%)和中级内镜医师(B1型79.1%,B2型90.0%),但该研究未纳入B3型血管。Uema等[56]使用AI对浅表食管鳞状细胞癌的IPCL进行分类，其图像测试中IPCL分类准确率为84.2%,高于内镜医师平均水平(77.8%,P<0.001)。用于诊断B1型、B2型和B3型血管的受试者工作特征曲线下面积分别为0.969、0.948和0.973。Zhang等[103]基于IPCL分型开发可解释的食管鳞状细胞癌浸润深度预测系统，和86.2%,在视频中的灵敏度、特异度和准确率分别为87.5%、84%和84.9%。在该系统辅助下，内镜医师的准确率显著提高(从79.7%提高到84.9%,P=0.03)。(一)功能适宜性EGDAI功能适宜性应符合表4所列目标，并能够在表4中建议的多种图像模态下白光内镜白光内镜染色放大染色放大表4食管胃十二指肠内镜人工智能功能适宜性目标功能检查时长统计盲区监测巴雷特食管测量功能检查时长统计盲区监测巴雷特食管测量食管癌诊断碘染食管胃静脉曲张识别食管胃静脉曲张识别识别食管胃静脉曲张食管胃静脉曲张严重1.检测食管胃静脉曲张危险因素白光内镜胃炎诊断胃异常病灶识别早期胃癌诊断(是否必须是是是否是否是是否是否否(二)EGDAI系统通用性能要求医疗器械通用性能的评估角度，本共识针对EGDAI系统的规范化设计提出相应的标准和要求：1.性能效率：(1)实时处理效率：人眼在画面播放速率(每秒帧数)达到16~24fps时，会认为这些画面是一个连续运动的场景。为确保医师在使用过程中得到及时的实时反馈和分析结果，对于有动态识别要求的功能，系统应具备高效的图像处理能力，实时处理效率应>16帧/s。(2)画面延迟与原始内镜影像系统的画面延迟应<50ms,确保医师能够无缝观察和诊断。2.易用性：产品界面应直观、简洁，减少医师学习成本。界面设计和操作逻辑应符合医师日常使用习惯，切换功能时应尽量采用AI自动识别应用场景并切换的方式，减少对医师实际操作的干扰。3.可用性：在常规医疗环境下，系统应确保用户能够安全、正确地操作，减少误操作的可能性。配备足够的提示和帮助文档，以应对医师在操作中可能遇到的疑问。AI产生的信号提示应尽量避免遮盖内镜原始画面，导致内镜医师产生CACancerJClin,2021,71(1):7-[2]NeculaL,MateiL,DraguD,et4.DOI:10.3748/wjg.v25.i17.2029.rlyadenocarcinomaandsquamouscellcarcinomaoftheesening,diagnosis,andtherapy[J].Gastroenterology,2medicine[J].NEnglJMed,2023,388(13):1220-1221.DOI:10.1056/NEe2206291.版)[J].中华医学杂志，2022,102(10):697-703.DOI:10.3760/1121[10]QaseemA,SnowV,OwensDK,etal.ThedevelopmentofclinicalpacticeguidelinesandguidancestatementsoftheAmericanf[26]AbnetCC,ArnoldM,WeiWQ.Epidemiologyofesophacellcarcinoma[J].Gastroenterology,2018,154(2):360-373.DOI:10.1deffectsofenvironmentalrisknresultsfromthegolestancoh[28]QumseyaBJ,WangH,BadieN,etal.Advancedimagingtechnologieett'sesophagus:ameta-analysisandsystematicreview[29]GuoL,XiaoX,WuC,etal.Real-timeautomatcancerouslesionsandearlyeso1(1):41-51.DOI:10.1016/j.gieTranslGastroenterol,2022,13(1):e00433.DOI:10.14309/ctg.0000000tingsuperficialesophagealsquamouscellcarcinomadoscopicimagingmodalities:amulticenterHepatol,2022,37(1):169-178.DOI:10.1111/jgh.15689.[32]PanW,LiX,WangW,etal.1,21(1):479.DOI:10.1186/s12876[33]HorieY,YoshioT,Aoyaagealcancerbytworks[J].GastrointestEndosc,2019,89(1):25-32.DOI:10.1016/j.gie.[34]HamadeN,VennelagantiSprogressionofshort-segmensophagealadenocarcinoma[J].ClinGastroenterolHepatol,2019,17(5)fGastroenterologyguidelinesonthediagnosisandmanagementofBarrett'soesophagus[J].Gut,2014,63(1):7-42.DOI:10.1136/gutjnl-2013[36]WeustenB,BisschopsR,CoronE,etal.Endoscopicmanagem(ESGE)positionstatement[J].Endoscopy,2017,4uideline:diagnosisandmanagementofBarrett'sesophagus[J].AmJGadimensionalquantificationotionandtherapymonitoring[J].Gastroenterolo[39]WangGQ,JiaoGG,ChangFB,etal.Long-termoveredbyscreeniofnarrow-bandimagingendoscopyforscreeningofsmucosalhigh-gradeneoplasiaindoscopists[J].DisEsophagus,2010,23(6):480-486.DOI:10.1111/j.1[42]OhmoriM,IshiharaR,AoyamaK,etaldifferentiationofesoGastrointestEndosc,2020,91(2):301-309.el.DOI:10.1016/j.gie.20iagnosticstudy[J].ClinTranslGastroenterol,2021,1oscopyforscreehvideo)[J].GastrointestEndosc,2019,90(5):745-753.e2.DOI:10.1omabetweennarrow-bandandwhite-lightimaging[46]ReidBJ,BlountPL,Fendetectionofearlycanc[47]SharmaP,BrillJ,CantoM,etal.WhitepaperAginginBarrett'sesophagus[J].ClinGastroenterolHepatol,2015,13[48]AbramsJA,KapelRC,LindbergGM,etal.AdheredelinesforBarrett'sesophagussuintheUnitedStates[J].ClinGastroenterolHepatol,2009,7(7):736tectionofearlyneoplasticlesionsinopy,2016,48(7):617-624.DOI:10.1055/s-[50]deGroofJ,vanderSommenF,vande project:thedevelopmentofacompurovedetectionofBarrett'sneoplasiaonwhitelightendoscopy[J].UnitedEuropeanGastroenterolJ,2019,7(4):538-547.DOI:10.1177/20506[51]deGroofAJ,Struyvenberthhigheraccuracythanendoscopdationstudywithbenc[52]deGroofAJ,StruyvenbergMR,FockensKN,etal.DeeplgorithmdetectionofBarrett'sneoplasiawithhighaccuracyduringliveendoscopicprocedures:apilotstudy(withvideo)[J].GastrointestEndosc,2020,91(6):1242-1250.DOI:10.1016/j.gie.2[53]DermineS,LeconteM,LeblancSyafternoncurativeendoscopicresectionofearlyesophagealcancer[J].TherapAdvGastroenterol,2019,121756284819892556.[54]中华人民共和国国家卫生健康委员会医政医管局.食管癌诊疗指南(2022年版)[J].中华消化外科杂志，2022,21(10):1247-1268.DOI:10.3760/115610-20220726-00[55]TokaiY,YoshioT,asiondepthofesophagealsquamoamouscellcarcinomas[J].JGa246.DOI:10.1111/jgh.15479.[57]NakagawaK,IshiharaR,AoyamaK,etal.Classifsiondepthofesophagealsquamouscelsc,2019,90(3):407-414.DOI:10.1016/j.gie.2019.04[58]EbigboA,MendelR,RuckertT,etal.Endoscoelligence:apilotstudy[J].Endoscopy,2021,53(9):878-883.DOI:10.racticeguidelinesforthemanagementofpatientswithdecompensatedcirrhosis[J].JHepatol,2018,69(2):406-460.DOI:10[60]BoschJ,SauerbruchT.Esophagealvarices:stage-[61]ChenM,Wangnofgastroesophagealvaricesunderesophagogastroduodeny(withvideo)[J].GastrointestEndosc,2021,93(2):4I:10.1016/j.gie.2020[62]DingS,LiL,Lindstructureddata[J].JDigitImaging,2023,36(1):326-338.DOI:10.dyofliverdiseases[J].Hepatology,2017,65(1):310-335lizingcareforportalhypert[66]MachlowskaJ,BajJ,SitarzM,etal.Gastricgy,riskfactors,classification,genomiccharacterist[67]ImagawaA,OkadaH,Kawfficultyaswellassuccess[J].Endoscopy,2006,[68]RutterMD,SenoreC,Bisschopsgperformancemeasures[J].Endoscopy,2016,48(1):81-89.DOI:10.1055[69]KaiseM.AdvancedendoscopicimagingforearBestPractResClinGastroenterol,2015,29(4):575-587.DOI:10.101isofsurgicallyresectedgastriccancercasesinJapan:aretrospectiveanalysisofmorethan100,000patientsfromthenationwidryoftheJapaneseGastricCancerAssociation(2001-2007)[J].GastricCancer,2018,21(1):144-154.DOI:10.1007/s10120-017-[71]ShaibYH,RuggeM,GrahamDY,11(11):1374-1384.DOI:10.1016/j.cgh[72]DurakS,BayramB,BakirmanT,etal.DeepEngComput,2021,59(7-8):1563-1574.DOI:10.1007/s11517-021-02398-Lett,2018,8(1):69-75.DOI:10.1007/s13534-01[74]ShichijoS,HirataY,NiikuraR,etal.HistaplasiaandendoscopicatrophyarlopmentafterHelicobacte2016,84(4):618-624.DOI:10.1016/j.gie.2016.03.791.[75]XuM,ZhouW,WuL,etal.Artificsisofgastricprecancerousconditionsbyimagemulticenter,diagnosticstudy(withvideo)[J].GastrointestEndosc,2021,94(3):540-548.e4.DOI:10.1016/j.gie.2021.03.013.rdetectingfocallesionsanddiagnosingneoplasmsofwhite-lightendoscopy(withvideo5(2):269-280.e6.DOI:10.1016/j.gie.2021.09.017.[77]WuL,ShangR,SharmaP,etal.Effectofadeepltinalendoscopy:asingle-cent[J].LancetGastroenterolHepatol,S2468-1253(21)00216-8. epidemiologyandprevention[J].Cancer[79]RuggeM,Meggio endoscopicfollow-upforthesecondaryprea5-yearprospectivestudyof1755patients[J].Gut,2019,68(1):11-[80]LeeSP,LeeJ,KaeSnendoscopicdiagnosisofHelicobacterpyloriassociatedgastritis[J].ingfactorsoflinkedcolorimagingtechniqueofactiveHelicobacterpyloriinfection[J].C132(20):2395-2401.DOI:10.1097/CM9.0000serveragreementinendoscopicdiagnosisandritisaccordingtolevei,2018,33(15):e117.DOI:10.3346/jkms.20[83]ZhangM,PanJ,Linopy:acase-controlstudy[J].Therap[84]SeoJY,HongH,RyuWS,etal.DeveonvolutionalneuralnetworkmodelfordiagnosingHelicobacinfectionswithendoscopicimstEndosc,2023,97(5):880-888.e2.DOI:10.1016/j.gie.2023.01.007.[85]LiYD,WangHG,ChenSS,etal.AssessmentofHelicobacterpyloriinfectionbydeeplearningbasedonendoscopi[86]MuG,ZhuY,NiuZ,etal.Expert-levelclassificationofgatisbyendoscopyusingdeeplearning:amulticenterdiagnostic[J].EndoscIntOpen,2021,9(6):E955-E964[87]LinN,YuT,ZhengW,etal.Simultaneousrecognitionofatrophisbasedonconvolutionalneuralnetworks:amulticenterstudnTranslGastroenterol,2021,12(8):e00385.DOI:10.14309/ctg.000000[88]YangJ,OuY,ChenZ,etal.Abenchmarkdatas-16.DOI:10.1109/JBHI.2022ofendoscopicchronicatrose-controlstudy[J].BMCGastroenterol,2022,22(1):352.DOI:10.1186[91]NakanishiH,DoyamaH,IshikawaH,etarningsystemfordiagnosisofgastriclesionsusingmagnifyingnarrow-bandimaging:amulticenterrandomizedcontrolledy,2017,49(10):957-967.DOI:10.1055/s-0043-111888.